BAB II LANDASAN TEORI. Peramalan pada dasarnya merupakan proses menyusun informasi tentang

Transkripsi

1 BAB II LANDASAN TEORI 2.1. Peramalan Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan (Frechtling,2001: 8). Peramalan bertujuan mendapatkan ramalan yang dapat meminimumkan kesalahan meramal yang dapat diukur dengan Mean Absolute Percent Error (MAPE) (Pangestu Subagyo, 1986: 1). Peramalan pada umunya digunakan untuk memprediksi sesuatu yang kemungkinan besar akan terjadi misalnya kondisi permintaan, banyaknya curah hujan, kondisi ekonomi, dan lain lain. Atas dasar logika, langkah dalam metode peramalan secara umum adalah mengumpulkan data, menyeleksi dan memilah data, memilih model peramalan, menggunakan model terpilih untuk melakukan peramalan, evaluasi hasil akhir. Berdasarkan sifatnya, peramalan dibedakan menjadi: 1. Peramalan Kualitatif Peramalan yang didasarkan atas dasar kualitatif pada masa lalu. Hasil peramalan kualitatif didasarkan pada pengamatan kejadian kejadian di masa sebelumnya digabung dengan pemikiran dan penyusunnya. 2. Peramalan Kuantitatif 8

2 9 Peramalan yang didasarkan atas dasar kuantitatif masa lalu yang diperoleh dari pengamatan nilai nilai sebelumnya. Hasil peramalan yang dibuat tergantung pada metode yang digunakan, menggunakan metode yang berbeda akan diperoleh hasil peramalan yang berbeda Data Time Series Time series merupakan serangkaian data pengamatan yang berasal dari suatu sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan dan dengan interval waktu yang tetap. Setiap pengamatan dapat dinyatakan sebagai variable random Z t dengan fungsi kepadatan f(z t )yang dapat dipasangkan dengan indeks waktu t i, yaitu : Z 1, Z 2, Z3,..., Z n t 1,t 2, t 3,..., t n adalah urutan waktu pengamatan. Karena itu data time series yang diamati pada waktu t 1, t 2, t 3,..., t n dapat dituliskan dalam notasi Zt 1, Zt 2, Zt 3,..., Zt n. Time series adalah suatu rangkaian atau seri dari nilai nilai suatu variabel atau hasil observasi, dalam hal ini adalah nilai indeks harga saham, yang dicatat dalam jangka waktu yang berurutan (Atmaja, 2009: 29). Hal yang perlu diperhatikan dalam melakukan peramalan adalah pola galat (error), yang tidak dapat dipisahkan dalam metode peramalan. Untuk

3 10 mendapatkan hasil yang mendekati data asli, maka seorang peramal berusaha membuat error-nya sekecil mungkin. Dengan adanya data time series, maka pola gerakan data dapat diketahui. Dengan demikian, data time series dapat dijadikan sebagai dasar untuk: Pembuatan Keputusan pada saat ini. Peramalan keadaan perdagangan dan ekonomi pada masa yang akan datang Perencanaan kegiatan untuk masa depan 2.3. Artifiacial Neural Network Artifiacial Neural Network (ANN) adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. ANN dapat digambarkan model matematis dan komputasi untuk fungsi aproksimasi nonlinear, klasifikasi data, cluster dan regresi non parametrik atau sebagai sebuah simulasi dari koleksi model syaraf biologi. Model syaraf ditunjukkan dengan kemampuannya dalam emulasi, analisa, prediksi, dan asosiasi. Berdasarkan kemampuan yang dimiliki, ANN dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh, untuk menghasilkan output yang sempurna dari contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya. Artificial Neural Network(ANN) merupakan suatu pemodelan yang diilhami oleh jaringan syaraf biologis pada tubuh manusia. ANN terdiri dari unit

4 11 utama, dan neuron-neuron yang terdesain seperti susunan jaringan syaraf biologis. Neuron-neuron buatan ini mempunyai jalur input sebagaimana neuron syaraf biologis yang mempunyai dendrit, dan terdapat juga jalur aoutput sebagaimana neuron syaraf mempunyai axon. Neuron buatan maupun neiron syaraf biologis mempunyai satu kecenderungan yang menentukan niali output. Neuron mengkombinasikan input, niali bias dan sinya output. Pada kedua neuron baik biatan maupun neuron syaraf biologis, terdapat proses belajar (learning) yang mengubah nilai-nilai kecenderungan pada neuron. Pada neuron biologis, proses alami mengatur bagaimana sinyal inputan pada dendrit diproses dan kemudian diterjemahkan dalam aktifitas axon. Sedangkan pada neuron buatan, proses learning mengatur input-input yang digunakan dan bagaimana pemetaannya pada output. Dalam ANN pada jalur input neuron i terdapat sinya di dalamnya (P i ) dan besar nilai kecenderungan pada tiap jalur diawakili oleh sebuah pembobot atau weight (w i ). Neuron-neuron tersebut membentuk suatu jumlah perkalian antara weight dengan input yang meliputi keseluruhan weight dan juga nilai buasa (b). Output yang dibentuk (a) biasanya merupakan bentuk sigmoid fungsi logistic dari penjumlahan tersebut. Proses learning terjadi pada saat pengaturan weight dan bias. Metode yang paling umum digunakan untuk proses learning tersebut adalah Back propagation. Dalam metode ini, weight-weight tersebut diatur untuk memimalisasi nilai kuadrat beda antara output model dan output taksiran, atau secara umum disebut

5 12 SSE(sums of square error). Pada proses pengaturan weight biasanya berdasarkan pada algoritma sederhana sleepest descent yang didasarkan pada turunan pertama pada fungsi cost. Namun pada beberapa penelitian yang pernah dilakukan, algoritma yang lebih rumit sering dipakai, dimana lebih didasarkan pada bentuk turunan kedua dari fungsi cost, dan lebih memberikan jaminan tercapainya SSE yang paling minimum. Sebagaimana proses alami, beberapa neuron terkombinasi membentuk sebuah jaringan, jaringan tersebut terdiri dari sebuah lapisan input (input layer), sebuah lapisan output (output layer) dan kemungkinan satu atau lebih lapisan atau sering disebut sebagai lapisan tersembunyi (hidden layer). Setiap layer terdiri dari beberapa neuron, dan neuron-neuron ini dihubungkan dengan neuron-neuron lain pada layer terdekat. (Andri Kristanto 2004 : 2) BackPropagation BackPropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Back propagation (BP) merupakan proses estimasi atau proses learning untuk menentukan weight dari suatu arsitektur ANN. BP merupakan

6 13 pengembangan dari suatu proses estimasi Widrow-Hoff learning rule yang dikembangkan oleh Rumalhart, Hinton dan Williams (1986). Aturan Widrow-Hoff digunakan untuk mengestimasi weight dari suatu single layer neuron yang menggunakan fungsi aktifasi linier. Proses BP merupakan generalisasi dari Widrow-Hoff yang digunakan untuk proses estimasi pada multi layer perceptron (MPL), dan menggunakan fungsi aktifasi non linier. Sebagaimana aturan Widrow- Hoff, BP menggunakan metose steepsest Descant untuk menetukan sekelompok weight dan bias yang akan meminimalisasi nilai sums of squared errors atau secara umum dapat disebut sebagai SSE. Metode BP ini banyak diaplikasikan secara luas. Sekitar 90% bahkan lebih BP telah berhasil diaplikasikan diberbagai bidang diantaranya diterapkan di bidang finansial, pengenalan pola tulisan, pengenalan pola suara, sestem kendali, pengolahan citra medika dan masih banyak lagi keberhasilan BP sebagai salah satu metode komputasi yang handal. Algoritma ini banyak dipakai pada aplikasi pengaturan karena proses pelatihannya didasarkan pada hubungan yang sederhana, yaitu : Jika keluaran memberikan hasil yang salah, maka penimbang (weight) dikoreksi supaya galat atau errornya dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati harga yang benar, BP juga berkemampuan untuk memperbaiki penimbang pada lapisan tersembunyi (hidden layer). Secara garis besar, mengapa algoritma ini disebut propagasi balik, dapat dideskripsikan sebagai berikut : Ketika jaringan di berikan pola masukan sebagai

7 14 pola pelatihan maka pola tersebut menuju ke unit-unit lapisan tersembunyi dan diteruskan ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Oleh karenanya maka mekanisme pelatihan tersebut dinamakan backpropagation / propagasi balik. Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan syaraf itu berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapisan yang membentuk jaringan melalui masing-masing unitnya). Sedangkan pemecahan masalah baru akan dilakukan jika proses pelatihan tersebut selesai, fase tersebut adalah fase mapping atau proses pengujian/testing. Perlu ditekankan bahwa dalam [penelitian symbol, karakter superscript λ merupakan indek untuk layer ke-λ, dimana λ = 1,2,,Λ. Dengan demikian terdapat sebanyak Λ layer dalam arsitektur ANN, dimana layer ke Λ adalah output layer. Dalam arsitektur MPL, setiap layer ke λ terdapat sebanyak S λ neuron, sehingga matrik weight untuklayer ke-λ mempunyai ukuran S λ x S λ-1. Dan nilai output dari layer ke (λ-1) merupakan input untuk layer yang ke λ, seterusnya sampai pada output layer (layer ke- Λ), kecuali untuk layer pertama (input) dimana ukuran matrik weight adalah S 1 x R dengan R adalah jumlah input.

8 15 Dalam mempresentasikan bentuk fungsi yang digunakan dalam proses BP, bila n λ adalah vector jumlahan pada layer ke λ maka : n λ = W λ y λ-1 λ λ λ 1 atau n i( i) = W ( ij ) y ( j)...(2.1) dengan asumsi bahwa nilai bias telah tercakup dalam matrik weight W. Output untuk setiap lapisan adalah : y λ = f λ (n λ ) atau y λ (i) = f λ (n λ (i))...(2.2) dimana f λ adalah fungsi aktifasi yang digunakan pada layer yang ke λ. Arsitektur ini diestimasi dengan menggunakan sekelompok Q pasangan inout-output. Simbol-simbol subscript k merupakan indek input-output untuk pasangan inputoutput ke k adalah {x k, t k } dimana k =1,2,, Q.(Sri Kusumadewi 2004 : 93) Simbol simbol yang digunakan Simbol simbol yang digunakan pada algoritma pelatihan untuk jaringan backpropagation adalah sebagai berikut : X input vektor pelatihan x=(x 1,..., x i,..., x n ) T output vektor target t=(t 1,..., t k,..., t m ) δ k informasi tentang kesalahan pada unit Y k yang disebabkan kembali ke unit tersembunyi δ j α X i informasi tentang kesalahan dari lapisan output ke unit tersembunyi Z j Learning rate unit input I, untuk sebuah unit input, sinyal input dan sinyal output adalah sama yaitu x i.

9 16 v oj bias pada unit tersembunyi j Z j unit tersembunyi input jaringan ke Z j disimbolkan dengan z_in j z _ in j = v oj + i x v i ij Sinyal output(aktivasi) pada Z j disimbolkan dengan z j j = ƒ( _in j ) v 0k bias pada unit tersembunyi k Y k Unit output input jaringan ke Y k disimbolkan dengan y_in k y _ ink = w0 k + i z j w jk Sinyal output(aktivasi) pada Yk disimbolkan dengan y k y k = ƒ ( y_in k ) Algoritma BackPropagation Pelatihan sebuah jaringan yang menggunakan backpropagation terdiri dari 3 langkah, yaitu : pelatihan pola input secara feedforward, perhitungan dan backpropagation dari kumpulan kesalahan dan penyesuaian bobot. Selama kondisi feedforward, masing masing unit input (Xi) menerima sebuah sinyal input dan mengirimkan sinyal tersebut ke masing masing unit tersembunyi Z1,..., Zp. Masing masing unit tersembunyi kemudia menghitung aktivasi dan mengirimkan aktivasi dan mengirimkan sinyalnya (Zj) ke masing masing unit ouyput. Masing masing unit output (Yk) kemudian menghitung aktivasinya (yk) untuk membentuk respon dalam jaringan yang diberi pola input.

10 17 Selama pelatihan, masing masing unit output membandingkan perhitungan aktivasi (yk) dengan nilai target (tk) kemudian menentukan kumpulan kesalahan untuk pola yang ada pada unit. Berdasarkan kesalahan tersebut, nilai faktor δk(k=1,...,m) dihitung. Kemudian δkdigunakan untuk mendistribusikan kesalahan pada unit output (Yk) kembali ke semua unit pada lapisan sebelumnya. (unit yang tersembunyi dihubungkan dengan(yk)). Kondisi semacam ini nanti akan digunakan untuk memperbaiki bobot di antara output dan lapisan yang tersembunyi. Untuk hal yang sama, nilai faktor δj(j=1,..., p) dihitung untuk masing masing unit unit yang tersembunyi (Zj). Hal ini tidak diperlukan untuk menyebarkan kesalahan ke lapisan input, tetapi δjdigunakan untuk memperbaiki bobot diantara lapisan tersembunyi dan lapisan input. Sesudah semua faktor δ ditentukan, bobot untuk semua lapisan disesuaikan secara simultan. Penyesuaian bobot wjk(dari unit tersembunyi Zjke unit output Yk) didasarkan pada faktor δkdan aktivasi zjpada unit tersembunyi zj. Penyesuaian bobot v jk (dari unit input X i ke unit tersembunyi Z j ) didasarkan pada faktor δjdan aktivasi x i pada unit input. Propagasi balik merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma propagasi balik menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus

11 18 dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, yaitu : f ( x) x 1 = 1 + e Suatu fungsi aktivasi propagasi balik memiliki ciri utama yaitu berkesinambungan dan adanya peningkatan/perbaikan yang berulangulang. Aplikasi propagasi balik yaitu memetakan masukan (input) terhadap target keluaran (output). Tujuan pemetaan adalah untuk melatih jaringan mencapai suatu keseimbangan antara kemampuan merespon pola masukan yang digunakan dalam pelatihan dengan kemampuan untuk memberi respon masukan yang disesuaikan Implementasi BackPropagation Dalam proses estimasi dengan menggunakan metode BP, terdapat beberapa permasalahan yang sering kali dijumpai antara lain pemilihan inisialisasi awal, lokal minimum, jumlah neuron pada lapisan hidden dan lain-lain. Meskipun telah ada beberapa metode untuk memperkecil peluang munculnya beberapa masalah tersebut,tetapi tidak menjamin bahwa estimasi BP akan memberikan hasil yang lebih baik.

12 19 a. Minimum Lokal Sesuai dengan bentuk dari fungsi untuk arsitektur MPL, dalam menemukan SSE, terdapat beberapa nilai minimum lokal. Prosedur estimasi seperti steepes : descant yang menggunakan gradien untuk memperbaiki nilai weight kemungkinan akan terjebak dalam likal minimum. Hal ini berarti bahwa weight yang didapat akan tetap memberikan hasil estimasi yang sesuai untuk fungsi non linier, namun mungkin tidak memberikan hasil estimasi yang baik. Hasil estimasi weight ANN dapat memberikan akurasi yang berbeda-beda dan tidak ada jaminan bahwa prosedur pembelajaran (learning) akan menemukan global minimum untuk SSE. Penggulangan algoritma untuk training set yang sama, dengan inisialisasi awal yang berbeda akan memberikan nilai weigth yang berbeda pula. b. Jumlah Neuron Jumlah neuron pada lapisan output adalah ditentukan dari dimensi output, namun jumlah neuron pada lapisan hidden layer harus dipilih. Ketika jumlah neuron sangat sedikit, maka akan terjadi underfitting dan tidak ada pilihan weight

13 20 yang mampu memodelkan bentuk fungsi ANN. Fungsi ini akan dapat di estimasi dengan baik apabila terdapat variasi yang terlalu kecil. Jumlah neuron yang haruis ditambahkan pada lapisan hidden, akan memberikan fungsi cost J yang semakin minimum. Dalam kasus yang ekstrim, untuk sebuah jaringan ANN dengan satu lapisan hidden, bila jumlah neuron bertambah sampai mendekati banyaknyaelemen training set, maka system ini akan mempunyai akurasi yang sangat tinggi dan fungsi J akan bernilai mendekati nol. Ketika terlalu banyak neuron yang terdapat pada lapisan hidden, prosedur pembelajaran ANN akan cenderung memodelkan noise di dalam trainingset, dan ini yang disebut overfitting. Untuk menetukan neuron yang sesuai, terdapat dua metode yang sering dipakai, yaitu : 1. Cross Validation (validasi silang). Metode ini digunakan untuk menentukan jumlah neuron yang terdapat pada lapisan hidden. Penambahan neuron pada lapisan hidden akan memberikan nilai SSE validasi (SSE untuk validation set) yang makin berkurang sampai dengan jumlah neuron tertentu, misalkan m, ketika jumlah neuron tetap ditambahkan melebihi jumlah m, maka nilai SSE validasi yang dihasilkan justru akan bertambah. Pada jumlah neuron m dengan nilai SSE validasi terkecil inilah dipilih. Dengan demikian, pada tahap learning, data yang digunakan sebaiknya dibagi menjadi 3 bagian yaitu : Training set, untuk menentukan nilai weight dan bias pada proses learning.

14 21 Validation set, untuk menetukan jumlah neuron, dimana data ini tetap diikutsertakan dalam proses learning. Prediction set, untukmelakukan validasi akhir menggunakan data independent yang tidak terlibat dalam proses learning. c. Overtraining Permasalahan yang sama dengan kasus overfitting terjadi bila terdapat trainig set yang terlalu bnayak. Sebagaiman proses traning, nilai fungsi J akan berkurang menuju lokal minimum. Untuk data yang mengandung noise tinggi, butuh waktu lama untuk mencapai lokal minimum, karena algoritma training harus berusaha memodelkan noise tersebut. Konsekuensinya, model akhir tidak dapat digeneralisasi dengan baik karena melibatkan bentuk noise. Secara heuristic, algoritma traning cenderung memodelkan weight kemudian diatur untuk memasangkan cirri-ciri data termaksud noise. Untuk mendapatkan generalisasi yang baik, disarankan untuk menghentikan proses traning sebelum mencapai lokal minimum. Dan selanjutnya, metode valdasi silang dapat digunakan untuk menentukan kapan harus berhenti. Pada setiap akhir iterasi (epoch), fungsi cost yang berhubungan dengan validasi harus diperiksa. Nilai fungsi ini akan berkurang sebagaimana proses training memnentukan ciri pemetaan yang dideskripsikan oleh training set, namun saat prosedur training harus dihentikan. d. Inisialisasi Awal

15 22 Pola dari algoritma BP, baik dari segi kekonvergenan ataupun lokasi lokal minimum, sangat peka pada pemilihan inisialisasi awal. Bila matrik inisialisasi weight awal mendekati sebuah lokal minimum, maka algoritma BP akan konvergen pada titik tersebut dengan cepat. Sebaliknya, bila inisialisasi awal terletak pada daerah dimana permukaan error berbentuk relatif datar, maka proses konvergen akan sangat lambat. Karena itu, pengulangan proses traning dengan inisialisasi awal yang berbeda akan memberikan laju konvergen dan titik konvergen yang berbeda. Penentuan inisialisasi awal dapat dilakukan secara acak, namun harus sesuai dengan kondisi data, terutama bila fungsi aktifasi yang digunakan adalah logistic sigmoid atau hyperbolic tangent. Sebuah pilihan yang sangat dapat dipertanggung jawabkan berhubungan dengan sebuah single neuron dan jumlah jalur hubungan yang terjadi pada neuron tersebut. Pada suatu layer ke-λ, terdapat neuron sejumlah S λ-1 dari jumlah neuron pada layer sebelumnya. Nilai weight dapat dipilih secara acak pada range 3 3 S S λ 1 λ 1,, selain range tersebut, Faraway dan Chatfild(1998) menjelaskan cara penentuan inisialisasi awal yang lebih mudah. Range yang digunakan adalah tergantung dari nilai traning set absolute yang terbesar. Misalkan nilai absolute terbesar adalah max, maka range 1 1 inisialisasi awal yang disarankan adalah, max max e. Laju estimasi (Learning)

16 23 Nilai laju estimasi η sangat berpengaruh pada kecepatan BP dalam proses konvergen. Nilai laju yang sangat besar akan memberikan kekonvergenan lebuh cepat. Untuk menetukan nilai laju yang menyeimbangkan antara kecepatan proses konvergen dengan langkah iterasi ketika mendekati suatu lokal minimum memang sangat sulit. Plot dari permukaan error akan sangat berguna untuk menentukan laju estimasi ini. Bila niali error meloncat pada nilai yang lebih besar pada saat training, berarti nilai laju estimasi yang digunakan terlalu besar Parameter pelatihan BackPropagation Parameter-parameter yang turut menentukan keberhasilan proses pelatihan pada algoritma BP : Inisialisasi penimbang Jenis adaptasi penimbang Learning rate/laju pelatihan Momentum Penentuan jumlah lapisan tersembunyi Inisialisasi Penimbang Penimbang interkoneksi jaringan saraf tiruan yang akan dilatih biasannya diinisialisasikan dengan harga real kecil, penimbang bias diinisialisasi secara acak. Banyak studi empiris membuktikan bahwa meneruskan pelatihan pada saat error mencapai harga kecil yang stabil atau datar akan menghasilkan nilai-nilai penimbang yang tidak diinginkan.

17 24 Pada banyak penelitian (Hirose et al, 1991) menunjukkan bahwa konvergensi tidak akan dicapai bila penimbang kurang bervariasi, juga jika acaknya terlalu kecil. Konvergensi hamper selalu tercapai untuk insialisasi acak pada 0.5 sampai 0,5 atau -1 sampai 1. Adaptasi penimbang Ada dua adaptasi penimbang pada pelatihan jaringan saraf tiruan, yaitu : a. Adaptasi Kumulatif (Cumulative Weight Adjusment) Penimbang baru diadaptasikan setelah semua penimbang yang masuk dilatih b. Adaptasi Biasa (Incremental Updating) Penimbang diadaptasi pada setiap pola Parameter Laju Pelatihan(η) Parameter laju pelatihan (learning rate) sangat berpengaruh pada intensitas dalam proses pelatihan.begitu pula terhadap efektivitas dan kecepatan mencapai konvergensi dari pelatihan. Harga η yang cukup kecil menjamin penurunan gradien terlaksana dengan baik, namun ini berakibat bertambahnya jumlah iterasi. Biasanya nilai laju pelatihan tersebut dipilih mulai 0,001 sampai 1 selama proses pelatihan. Momentum Disamping koefisien laju pelatihan, pada metoda BP ada koefisien lain yang tujuan penggunaannya adalah mempercepat konvergensi dari algoritma error bacpropagation. Prinsip dari metode ini adalah menambahkan sebagian dari perubahan penimbang sebelumnya. Hal ini dapat dirumuskan dengan :

18 25 w ( t ) = η E ( t ) + α w ( t 1)... (2.21) dengan α adalah harga konstanta momentum yang berupa bilangan positif antara 0,5 sampai dengan 0,9. Penggunaan koefisien momentum ini disarankan apabila konvergensi berlangsung terlalu lama, dan juga untuk mencegah terjadinya optimum local (local optimum/minimum). Fase Pemakaian Pada fase pemakaian, pola yang akan dikenali pada unit lapisan masukan jaringan. Inisialisasi penimbang sambungan diambil dari nilai penimbang sambungan terakhir pada tahap pelatihan yang dianggap paling baik tentunya. Pola ini di komputasikan dengan penimbang interkoneksi hasil fase pelatihan dengan persamaan seperti berikut : + z _ in j = v0 j xi. vij... (2.22) i dengan menggunakan fungsi aktifasi untuk menghitung nilai aktifasi : z j = f ( z_ inj )... (2.23) dengan fungsi aktifasi adalah fungsi sigmoid maka : z j = 1 1+ exp( z _ in )... (2.24) j Nilai inilah yang akan dikirimkan kelapisan keluaran, seperti proses pada lapisan tersembunyi dan didapat hasil keluaran adalah :

19 26 + y _ ink = w0 j z j. wjk... (2.25) i Hasil aktifasi sel-sel pada lapisan keluaran merupakan keputusan dari jaringan safaf tiruan. Pada perangkat lunak yang dibuat, hasil aktifasi sel sebagai keputusan JST ditampilkan dalam skala kebenaran, dimana skala kebenaran terbesar merupakan keputusan akhir dari jaringan safar tiruan Kelemahan yang sering terjadi pada BackPropagation Fase pelatihan Sering terjebak pada kondisi yang disebeut sebagai kondisi optimum lokal (local minimum), sehingga sulit mencapai konvergen sesuai dengan error yang diinginkan. Keadaan JST tersebut sulit atau bahkan tidak dapat berkembang menjadi lebih pintar lagi, walaupun dilatih berulang-ulang kali. Hal ini biasanya diatasi dengan menggunakan koefisien momentum. Fase Pemakaian (Mapping) Pada fase ini hal tidak diinginkan yang serng terjadi adalah kondisi dimana JST kehilangan overfitting/overtraning, yaitu suatu kondisi dimana JST kehilangan sifat generalisainya (lost of generalization). Generalitas adalah kempuan untuk memberikan jawaban yang benar, untuk suatu masukan yang berbeda namun sejenis dari data-data yang dilatihkan pada JST tersebut.

20 27 Bila JST kehilangan sifat tersebut, pasa fase mapping biasanya JST hanya mengenali bagian akhir dari pasangan data yang dilatihkan pada fase pelatihan. Kondisi tersebut diakibatkan oleh jumlah pelatihan yang berlebihan, untuk mengatasinya dapat ditambahkanbias pada lapisan keluaran ataupu pada masing-masing lapisan struktur JST. Sebaliknya kondisi undertraning juga dapat terjadi, untuk hal ini biasanya terjadi oleh karena peroses pelatihan belum sempurna. Gambar 2.2 BackPropogation Training 2.4. Saham Definisi saham adalah suatu tanda penyertaan atau kepemilikan dalam suatu perusahaan. Jika kita membeli saham artinya kita membeli bagian kepemilikan suatu perusahaan. Wujud saham hanyalah berupa selembar kertas yang menerangkan siap pemiliknya, yaitu berbentuk sertifikat saham. Karena itu

21 28 saham juga sering disebut surat berharga atau efek(dalam bahasa Inggris disebut sebagai security). Saham (stock) merupakan salah satu instrument pasar keuangan yang paling populer dan paling banyak dipilih para investor karena mampu memberikan tingkat keuntungan yang menarik. Berdasarkan pendapat Rusdin (2005 :72) saham adalah sertifikat yang menunjukan bukti kepemilikan suatu perusahaan, dimana pemegang saham memiliki hak klaim atas penghasilan dan aktiva perusahaan certa berhak hadir dalam Rapat Umum Pemegang Saham (RUPS) Sedangkan Ang (1997:2) berpendapat bahwa saham adalah surat berharga sebagai bukti penyertaan atau kepemilikan individu maupun institusi dalam suatu perusahaan berbentuk Perseroan Terbatas Fungsi Pasar Saham Setiap negara memiliki pasar saham masing-masing. Di Indonesia adalah BEI (Bursa Efek Indonesia atau Indonesia Stock Exchange). Informasi tentang BEI dapat dilihat di Perdagangan saham di Bursa Efek Indonesia diatur oleh PT. Bursa Efek Indonesia yang merupakan lembaga pemerintah. Pengawasan dilakukan oleh OJK (Otoritas Jasa Keuangan, dahulu Bapepan). Semua kegiatan pasar modal diatur melalui UU Pasar Modal. Pasar saham, sering juga disebut bursa saham, atau juga disebut bursa efek adalah wahana dimana dilakukan perdagangan saham dan instrumen finansial lainnya. Pasar saham pada hakekatnya tidak berbeda jauh dengan pasar tradisional

22 29 yang selama ini kita kenal. Di sana ada pembeli penjual dan juga kegiatan tawar menawar harga Di pasar saham juga ada 4 peran yang sama, yaitu investor, perantara pedagang efek, Emitmen, dan pengelola bursa yaitu PT Bursa Efek Indonesia. Investor(Pemodal) Investor disini bisa berupa investor individu (ritel) dan investasi institusi (lembaga atau perusahaan). Dilihat dari asalnya bisa dibedakan menjadi dua, yaitu investor domastik dan investor asing Perantara Pedagang Efek Sebagai investor, kita tidak bisa langsung bertransaksi di pasar saham, tetapi melalui perantara pedagang efek, yaitu perusahaan sekuritas. Sering pula disebut broker atau pialang Emitmen Perusahaan yang melepas sahamnya di pasar saham. Dana hasil penjualan saham tersebut umumnya digunakan untuk ekspansi atau operasi perusahaan. Di bursa saham, kita hanya bisa membeli saham perusahaan atau emitmen yang terdaftar di bursa saham tersebut, disebut perusahaan publik atau perusahaan terbuka. PT. Bursa Efek Indonesia Pengelola bursa saham indonesia adalah PT. Bursa Saham Indonesia Indeks Harga Saham

23 30 Indeks harga saham adalah indikator atau cerminan pergerakan harga saham, bisa seluruh saham atau sekelompok saham. Indeks merupakan salah satu pedoman bagi investor untuk melakukan investasi di pasar modal, khususnya saham. Bila suatu indeks harga saham bergerak naik, biasannya sebagian besar harga saham yang tergabung di dalam juga cenderung naik. Demikian pula sebaliknya. Setiap pasar saham memiliki indeks harga sahamnya masing-masing. Tabel di bawah ini menunjukkan beberapa indeks saham dari berbagai negara. Tabel 2.3 Indeks Saham Berbagai Negara Negara Amerika Inggris Nama Indeks Harga Saham Dow Jones,S&P500, Nasdaq FTSE

24 31 Jerman Perancis Australia Jepang China Korea India Indonesia Malaysia Singapura Thailand Vietnam DAX CAC ASX Nikkei SSE (Shanghai), HangSeng (Hong Kong) KOSPI SENSEX IHSG (sering juga disebut JCI), LQ45 KLCI STI SET VHINDEX